Laboratoire d’accueil : LEAT, campus Sophia Antipolis, Université de côte d’Azur
Période : octobre 2025 – septembre 2028
Encadrants : Alain PEGATOQUET (Professeur à Université Côte d’Azur), Laurent RODRIGUEZ (Maitre de Conférences à Université Côte d’Azur) et Yacine GHAMRI-DOUDANE (Professeur à La Rochelle Université)
Mots clés : Automatisation des réseaux, Large Language Models (LLMs), Intent Based Networking, Network slicing, Progressive generation, Generative AI
Contacts : alain.pegatoquet@univ-cotedazur.fr, laurent.rodriguez@univ-cotedazur.fr
Dossier de candidature : CV, dernier diplôme, relevés de notes post-bac, 2 lettres de recommandation ou contact de deux référents.
Candidater : https://univ-cotedazur.fr/universite/travailler-a-universite-cote-d-azur/umr-leat-doctorant-doctorante-utilisation-de-lia-generative-et-des-grands-modeles-de-langage-llms
Introduction et contexte
La gestion des réseaux est confrontée à de nouveaux défis en raison d’un paysage technologique en constante évolution, de besoins clients changeant rapidement et de la complexité croissante des réseaux. Les réseaux du futur doivent faire preuve d’agilité, de réactivité et intégrer des capacités telles que le Intent-Based Networking (IBN) [Leivadeas23][Boutouchent24] et l’automatisation des réseaux. Il s’agit ainsi d’automatiser les tâches réseau en acceptant et en réalisant des politiques et actions réseau, i.e. des intentions. Ces tâches (intentions) définissent des objectifs opérationnels et des résultats souhaités, mais sans préciser comment les atteindre. Il existe ainsi un manque de solutions IBN complètes, viables et faciles à utiliser [Gartner23]. Dans le cadre du projet de recherche GENIE (Generative Network Intelligence and Optimization Ecosystem) financé par l’ANR, nous proposons d’exploiter l’IA générative et les grands modèles de langage (LLMs) basés sur l’architecture transformer [Vaswani17] afin de développer une approche conversationnelle de la gestion des réseaux. Cette nouvelle solution répond aux limites des techniques conventionnelles, permettant une approche interprétable et adaptable d’optimisation et une gestion automatisée du réseau. L’idée est ainsi de convertir automatiquement des intentions de haut niveau en politiques et actions réseau, simplifiant ainsi les tâches de gestion complexes, réduisant la charge de travail des administrateurs et diminuant les erreurs humaines.
Objectifs de la thèse
L’objectif de cette thèse est d’étudier des stratégies collaboratives et évolutives à base de LLMs [Du23][Bernardino24] visant à améliorer progressivement la qualité des solutions générées. Les stratégies envisagées consisteront à utiliser différents LLMs capables de collaborer entre eux [Huang23] pour produire un résultat. Des modules ou agents interconnectés [Li23][Park23] seront mis en œuvre, chacun spécialisé dans une tâche spécifique (summariser, analyzer, planner, optimizer etvalidator). Il pourra s’agir de simples scripts spécialisés utilisant des prompts personnalisés pour simuler des rôles, ou de LLMs adaptés via un fine-tuning [Ding23][Dettmers24]. Ainsi, le summariser tiendra à jour un résumé de la situation actuelle. L’analyzer sera chargé de la traduction et de l’expansion des intentions de l’utilisateur. Le planner utilisera les données analysées pour générer des solutions potentielles en fonction du contexte et des exigences du réseau. L’optimizer évaluera ensuite ces plans, en tenant compte de divers facteurs tels que la faisabilité, les performances, le temps et l’allocation des ressources.
Les stratégies collaboratives et évolutives à base de LLMs proposées dans cette thèse seront évaluées et optimisées sur un cas d’usage IoT-Edge-Cloud Continuum (IECC) [Gkonis23]. Le continuum IoT–Edge–Cloud implique en effet des ressources hétérogènes, ce qui augmente la complexité des solutions envisagées. Les grands modèles de langage (LLMs) peuvent être utilisés dans ce contexte pour gérer les contraintes de ressources, assurer la collaboration entre les dispositifs, et fournir une gestion du cycle de vie des services à travers le placement, la migration, le suivi et la gestion de services/microservices sur le continuum. L’utilisation des LLMs dans la fourniture et l’assurance des services, tout au long de leur cycle de vie, est indispensable en raison de la complexité du continuum IECC. En effet, il s’agit de concilier d’une part, une collaboration entre des éléments de calcul et de réseau très diversifiés, et d’autre part, un ensemble extrêmement varié d’exigences de services à satisfaire pour différents secteurs verticaux. Dans cette thèse, nous allons spécifiquement nous focaliser sur les problématiques de recherche suivantes :
- Explorer des stratégies collaboratives impliquant plusieurs LLMs coopérant pour générer des résultats.
- Proposer de nouveaux agents spécialisés, tels qu’un summariser, entre autres, afin d’optimiser les performances.
- Etudier des méthodes permettant de réduire les échanges entre agents et d’accélérer la convergence vers des solutions pertinentes.
- Valider et optimiser les approches proposées pour un cas d’usage IoT-Edge-Cloud Continuum.
Profil recherché
- Nous recherchons un(e) candidat(e) motivé(e), passionné(e) par la recherche, les sciences et les nouvelles technologies.
- Le (la) candidat(e) devra posséder une solide formation en réseaux et/ou en l’intelligence artificielle. Une maitrise des techniques récentes d’apprentissage automatique (Deep learning, LLM) et/ou des connaissances dans le domaine de l’Internet des Objets (IoT) seraient un plus. Cette thèse sera co-supervisée par le LEAT de l’Université Côte d’Azur (UniCA) et le L3i de La Rochelle Université. Elle s’effectuera dans le cadre d’un projet collaboratif, le candidat sera ainsi amené à interagir avec les différents partenaires du projet et à participer aux réunions d’avancement.
- Le doctorant(e) retenu devra également publier et présenter son travail en anglais à des conférences internationales et dans des revues scientifiques à comité de lecture : une bonne maîtrise de l’anglais oral et écrit est requise.
- Lieu de travail : Laboratoire LEAT, Bât. Forum, Campus SophiaTech, 930 Route des Colles, 06903 Sophia Antipolis
Le laboratoire de recherche (LEAT)
Le LEAT est un laboratoire de recherche de l’Université Cote Azur (UniCA) – labélisée Initiative d’Excellence (IDEX), dans le domaine des STIC. Les champs scientifiques portent sur les thèmes antennes, électromagnétisme et micro-ondes et les thèmes objets communicants, réseaux sans fil, intelligence artificielle, systèmes embarqués et Systems on Chip (SoC). Les activités de recherche sont menées dans le domaine des télécommunications, du radar, de l’e-santé, de la sécurité, des bâtiments et villes intelligents, de l’observation de la terre, du développement durable, etc. Le LEAT est organisé en trois équipes : EDGE (Edge Computing and Digital Systems), CMA (Conception et Modélisation d’Antennes) et ISA (Imagerie microonde et Systèmes d’Antennes associés). Compte tenu des objectifs de la thèse, c’est l’équipe EDGE du LEAT qui est logiquement impliquée dans ce projet de recherche.
L’équipe EDGE s’appuie historiquement sur les disciplines scientifiques des systèmes embarqués, de la modélisation et de l’optimisation des réseaux de capteurs sans fil, des Systèmes sur puce (SoC ou System on Chip) et des objets communicants. Une forte activité de recherche dans le domaine de l’intelligence artificielle et plus particulièrement des algorithmes bio-inspirés et des réseaux de neurones dédiés à l’électronique embarquée s’est développée ces dernières années. L’ensemble des travaux de recherche de l’équipe EDGE est structuré selon 3 axes : l’IA bio-inspirée et réseaux de neurones (eBrain), les réseaux sans-fils économes en énergie (eWise) et l’optimisation de la consommation d’énergie dans les Soc (eSoC).
Alain Pegatoquet sera le directeur de cette thèse. Après avoir soutenu sa thèse doctorat en 1999 à l’Université de Nice Sophia Antipolis, il a passé 9 années dans l’industrie en tant qu’ingénieur système DSP (successivement à VLSI Technology, Stepmind SA et Texas Instruments). En 2008, il rejoint l’Université Côte d’Azur en tant que Maître de Conférences. Depuis 2022, il est Professeur des Universités. Depuis 2016, il est responsable de l’équipe EDGE du laboratoire LEAT, équipe constituée de 32 membres dont 11 enseignants-chercheurs et 13 doctorants. Ses activités de recherche adressent des problématiques scientifiques liées aux calculs au plus près des données (edge computing), aux algorithmes d’IA embarqués (edge IA) et aux réseaux de capteurs pour différents domaines d’applications tels que l’IoT, l’automotive, le spatial ou l’e-santé. Ces recherches visent ainsi à proposer des approches optimisant le compromis entre performance (QoS) et efficacité énergétique de systèmes numériques communicants fortement contraints en ressources (calculs et mémoire). L’utilisation de techniques d’apprentissage profond (deep learning) vise à augmenter le degré d’intelligence de ces objets connectés, notamment en termes de prise de décision et donc d’autonomie. Depuis 2008, Alain Pegatoquet a encadré 16 doctorants, 5 post-doctorants et plus de 30 étudiants de niveau master. Il est l’auteur ou co-auteur de 140 publications scientifiques et a déposé 2 brevets internationaux. Il a été impliqué dans de nombreux projets nationaux ou européens et a collaboré avec de nombreux partenaires académiques (ETHZ, UCC, IRISA, CEA…) et industriels (Renault, Intel, l’IRT St-Exupéry…).
Le laboratoire partenaire (L3i)
Créé en 1993, le Laboratoire Informatique, Image, Interaction (L3i) est le laboratoire de recherche du domaine des sciences du numérique de La Rochelle Université. Le laboratoire associe les chercheurs en informatique de l’IUT et du site Sciences et Technologies de La Rochelle Université. Près de 120 membres travaillent au sein du L3i dans les domaines de l’Informatique, de l’analyse d’Image et l’Interaction Homme-Systèmes. Le L3i est organisé en trois équipes : IC (Images et Contenus), MC (Modèles et Connaissances) et eAdapt (Dynamique des Systèmes et Adaptativité). Les thématiques de cette thèse correspondent à celle de l’équipe eAdapt au sein du L3i. En effet, l’équipe eAdapt regroupe les chercheurs du L3i travaillant autour de la « dynamique des systèmes logiciel et l’adaptativité de ces système (interaction Homme Système) » et de la « dynamique des systèmes en réseaux et auto- adaptation de ces systèmes ». Cette thèse s’inscrit pleinement dans les objectifs de ce deuxième axe.
Yacine Ghamri-Doudane sera le co-directeur de cette thèse. Yacine est Professeur des Universités à La Rochelle Université depuis 2013. Avant cela, il a été Maître de Conférences à l’ENSIIE (2004-2013), une grande école d’ingénieur située à Evry, en région parisienne, et a été rattaché au Laboratoire d’Informatique Gaspard-Monge (LIGM – UMR 8049) à Marne-la-Vallée. Yacine a obtenu un doctorat en réseaux informatique de l’Université Pierre et Marie Curie, Paris 6, en 2003, et une Habilitation à
Diriger des Recherches (HDR) en Informatique de l’Université Paris-Est, en 2010. Ses intérêts de
recherche actuels se situent dans le domaine des réseaux de nouvelles générations et de l’informatique mobile, avec un accent particulier sur les sujets liés à l’Internet des Objets (IoT), aux véhicules connectés et autonomes, à la 5G et au-delà ainsi qu’à la confiance numérique. Yacine est titulaire de trois (3) brevets internationaux et il est l’auteur ou le co-auteur de huit (8) chapitres de livres, de 58 articles de revues internationales et de près de 200 articles de conférences et d’ateliers internationaux.
Références bibliographiques
[Bernardino24] Romera-Paredes, Bernardino, et al. “Mathematical discoveries from program search with large language models.” Nature 625.7995 (2024): 468-475.
[Boutouchent24] A. Boutouchent et al., “AMANOS: An Intent-Driven Management And Orchestration System For Next-Generation Cloud-Native Networks”, in IEEE Communications Magazine, 2024.
[Dettmers24] Dettmers, T., et al. “Qlora: Efficient finetuning of quantized LLMs. Advances in Neural Information Processing Systems”, 36. 2024.
[Ding23] Ding, N. et al. “Parameter-efficient fine-tuning of large-scale pre-trained language models. Nature Machine Intelligence”, 5(3), 220-235, 2023.
[Du23] Y. Du et al., “Improving factuality and reasoning in language models through multiagent debate”, May 2023
[Gartner23] Gartner, “Hype Cycle for Enterprise Networking”, 2023: Andrew Lerner et al, 12 July 2023
[Gkonis23] Gkonis, P., Giannopoulos, A., Trakadas, P., Masip-Bruin, X., & D’Andria, F. (2023). “A survey on IoT-edge-cloud continuum systems: Status, challenges, use cases, and open issues”. Future Internet, 15(12), 383.
[Huang23] Huang, Y., Du, H., Zhang, X., Niyato, D., Kang, J., Xiong, Z., … & Huang, T. (2023). “Large language models for networking: Applications, enabling techniques, and challenges”. arXiv preprint arXiv:2311.17474.
[Leivadeas23] A. Leivadeas and M. Falkner, “A survey on intent-based networking”, IEEE Communications Surveys & Tutorials, vol. 25, no. 1, pp. 625–655, 2023.
[Li23] G. Li, H. Hammoud, H. Itani, D. Khizbullin, B. Ghanem. “CAMEL: Communicative Agents for “Mind” Exploration of Large Language Model Society”. NeurIPS 2023
[Park23] J. S. Park et al., “Generative agents: Interactive simulacra of human behavior”, 2023.
[Vaswani17] Vaswani, et al. “Attention is all you need. Advances in neural information processing systems”, 30 (2017)